人工智能

IskayPet 如何借助 Amazon Bedrock Managed Knowledge Bases 统一企业知识

IskayPet 的办公室团队面临一项知识挑战。日常运营问题的答案，例如退货政策、兽医规程或入职步骤，分散在数百份 Microsoft SharePoint 文档中，横跨四种语言和三个国家。在庞大的文档库中查找正确的信息耗时很长。每新增一家门店、一个国家或一项流程，问题就会变得更严重。

检索增强生成（RAG）是解决这一问题的常用方法。但在生产环境中运行 RAG 通常意味着要自行运维向量数据库、嵌入流水线和摄取作业。

在本文中，我们介绍伊比利亚领先的宠物护理公司 IskayPet 如何基于 Amazon Bedrock Managed Knowledge Bases 构建企业知识助手。该助手能够以四种语言、跨三个国家回答员工在零售运营、兽医护理、人事与入职以及采购方面的问题，且无需管理任何 RAG 基础设施。团队使用 Kiro 搭配 Claude Haiku 4.5 完成了从面向门店的前端到 AWS 架构与部署的整套解决方案。我们将介绍其架构、SharePoint 集成、检索配置决策以及生产环境中的成果。

关于 IskayPet

IskayPet 是伊比利亚领先的宠物护理公司。它在西班牙、葡萄牙和法国以 Kiwoko、Tiendanimal、Kivet、Clinicanimal 和 Animalis 品牌运营着 330 多家门店。IskayPet 拥有 4,500 多名员工和 700 万客户，其业务涵盖零售、兽医诊所、动物护理、采购以及人事与入职。每个领域都有自己的政策和流程，使用西班牙语、葡萄牙语、法语和英语。

挑战

在每个业务领域，IskayPet 的办公室员工都要手动检索数百份 SharePoint 文档，以回答有关流程、政策、合同和入职的运营问题。由于业务横跨三个国家、使用四种语言，这确实耗费了大量时间，而且答案往往过时或错误。

当时没有可靠的方式来查询企业知识，而且每新增一个国家、领域或文档，问题就会加剧。IskayPet 需要一个能够做到以下事项的解决方案：

  • 基于自身企业文档回答自然语言问题。
  • 支持四种语言，而无需维护多个独立系统。
  • 将每个问题路由到正确的知识库（某个领域、某个国家），避免相互混淆。
  • 无需重新设计架构即可扩展到新的领域和国家。
  • 引用来源，使员工能够信任并核实答案。
  • 复用其现有的 SharePoint 存储库，而无需进行成本高昂的迁移。

为什么选择 Amazon Bedrock Managed Knowledge Bases

IskayPet 选择了 Amazon Bedrock Managed Knowledge Bases，因为其托管的 RAG 基础设施免去了运行向量存储、嵌入或摄取流水线的需要。主要原因如下：

  • 托管 RAG： Amazon Bedrock 负责数据摄取、多模态解析、向量存储、嵌入生成和检索。IskayPet 只需为存储和检索的内容付费。
  • 原生 SharePoint 连接器： 该连接器直接从 IskayPet 现有的 SharePoint 环境中摄取文档，从而避免了数据迁移。启用高级索引后，它还能处理文档中嵌入图片的内容。
  • 内置混合搜索： 将语义搜索与关键词（BM25）搜索相结合，且不产生额外费用，可找回纯语义搜索可能遗漏的精确术语，例如产品代码和参考编号。
  • 托管重排序： 检索到的段落会按相关性重新排序，且不收取额外费用。
  • 文档级访问控制： 知识库可在检索时强制执行源系统自身的权限，因此查询只会返回请求用户已有权阅读的文档中的段落。这让 IskayPet 能够复用 SharePoint 权限，而无需重建授权模型。
  • 模型灵活性： IskayPet 可以先从高性价比的模型入手，之后再更换模型，而无需重写基础设施。
  • 原生 RAG 评估： 团队使用内置评估工具衡量了每个步骤的质量。

解决方案概览

下图展示了端到端流程，从员工提出问题，到权限感知的检索，再到有依据、带引用的回答。

Solution architecture

图 1：解决方案架构

该解决方案是一个助手，员工可通过现有渠道访问它。当员工提出问题后，助手会从其知识库中检索最相关的段落，且仅限于该员工有权阅读的文档。随后，它会用员工所用的语言生成有依据、带引用的回答。

从高层来看，流程如下：

  1. 员工通过聊天界面提交自然语言问题。
  2. 应用程序调用所请求助手的知识库，并传递员工身份，以便在检索时应用文档级权限。
  3. 知识库对已索引的内容运行混合搜索（语义与关键词），对结果进行重排序，并返回最相关的段落及其来源引用。
  4. 基础模型（FM）根据检索到的段落生成有依据的回答。提示词要求引用来源，并指示模型在检索内容中不包含答案时予以说明。
  5. 员工收到回答及源文档，并可留下反馈（点赞或点踩），这些反馈会进入评估集。

使用 Kiro 和 Claude Haiku 4.5 构建解决方案

IskayPet 使用 Kiro（运行于 Amazon Bedrock 上 Claude Haiku 4.5 的智能体开发环境）构建了整个解决方案，从面向门店的前端到 AWS 架构和服务部署。随着 Amazon Bedrock 上出现新模型，IskayPet 计划针对每个用例评估并采用这些模型。

有关各 AWS 区域的模型可用性，请参阅 Amazon Bedrock 中各 AWS 区域支持的模型.

  • 面向门店的前端 – 团队使用 Kiro 构建了门店员工与助手交互所用的前端，并借助 Claude Haiku 4.5 生成和迭代 UI 代码。
  • 架构与部署 – Kiro 还帮助设计了 AWS 架构，并配置了该解决方案背后的各项服务：知识库配置、数据源、AWS Identity and Access Management（IAM）角色以及应用层。

借助 Kiro 和 Claude Haiku 4.5 这类快速、高性价比的模型构建的智能体工作流，帮助一个小团队快速从概念走向生产。它还让应用代码与基础设施保持一致且易于维护。

摄取：使用高级索引的 SharePoint 连接器

IskayPet 的文档原本就存放在 SharePoint 中，并按业务领域和国家进行组织。团队没有迁移这些文档，而是使用了 Amazon Bedrock Managed Knowledge Bases 中的原生 SharePoint 连接器。

在数据源的“高级配置”中，IskayPet 在“内容索引”和“高级索引”下启用了“文档中的视觉内容”。此设置可从文档（PDF、DOCX、PPTX）中嵌入的图像以及独立图像中提取内容。流程文档中的图表和扫描内容无需单独的预处理流水线即可被搜索到。

该连接器会增量同步，因此每次同步都会获取新增和更新的文档。

多国家、多领域架构

一个关键的设计决策是如何为四种语言、多个业务领域和三个国家组织知识。IskayPet 权衡了两种方案：

  • 单一共享知识库，每个文档都按国家和领域打上标签，并在每次查询时应用检索过滤器。这最大化了共享内容的复用，但将所有领域耦合到一个索引中。
  • 每个助手一个专用知识库，每个知识库限定到相关的 SharePoint 网站或文档库。这使每个知识体系端到端保持隔离，并让每个助手可以独立调优。

IskayPet 选择了为每个助手配置一个知识库。每个助手指向特定的 SharePoint 网站，并可通过包含路径进一步缩小到特定的文档库或文件夹，因此它只索引预期内容，而不是整个企业网站。添加新的领域或国家意味着添加一个助手并将其指向正确的内容，而不是重新架构系统。

访问控制

访问权限由用户现有的 SharePoint 权限管理。助手不会授予任何新的访问权限：它只是让查询员工本已可以打开的文档变得更加简单。这在两个层面上发挥作用。

  • 用户能看到哪些助手 – 员工只会看到其底层文档有权阅读的助手，无论该权限来自直接授权、组成员身份还是对特定文件夹的访问权限。如果无法确认访问权限，助手会被隐藏而不是显示。
  • 哪些文档为回答提供依据 – 在检索时会再次按文档强制执行访问控制：员工的身份会被传递给知识库，知识库只返回该人员有权查看的文档中的段落。Amazon Bedrock Managed Knowledge Bases 原生支持这种文档级访问控制，因此对于同一个问题，权限不同的两名员工得到相同答案也是合理的。

由于每次访问检查都会从 SharePoint 读取权限，因此在 SharePoint 中撤销或授予访问权限会反映到助手中，而无需更改应用程序。

检索与生成配置

RAG 系统的质量主要取决于摄取、检索和生成这三个环节。微调是一种补充技术。针对此用例，IskayPet 调整了以下设置：

  • 分块 – 由托管知识库处理，因此团队无需构建或调优分块流水线。这省去了一个在自管理 RAG 中通常需要大量运维投入的组件。
  • 混合搜索 – 知识库结合了语义检索和关键词检索，能够找回纯语义搜索可能遗漏的精确术语，例如产品代码。
  • 结果数量 – 基于评估集进行调优。助手会检索 25 个段落，在去除重复项和过短而无法提供上下文的片段后，最多将 15 个段落注入提示词。这个数量是主要的成本杠杆，因为它会在每个问题上成倍增加输入 token。
  • 生成提示词 – 强制要求企业语气，要求引用来源，并指示模型在检索内容中找不到答案时予以说明，从而减少幻觉并增强可追溯性。

作为生产环境控制措施，团队正在添加 Amazon Bedrock Guardrails ，以对生成的答案应用内容过滤和负责任 AI 策略。

  • 评估 – 使用原生 Amazon Bedrock RAG 评估，将真实使用中的点赞和点踩反馈作为评估集，在每次变更前后衡量质量。

生成响应

在答案生成方面，IskayPet 在 Amazon Bedrock 上使用高性价比的基础模型。由于知识库将检索与生成解耦，IskayPet 可以在不触及摄取或检索层的情况下切换或升级生成模型。这使团队能够随着使用量增长平衡成本与答案质量。

成本效率

知识库包含多模态解析、嵌入生成和重排序，且不额外收费，因此 IskayPet 的持续成本主要来自索引存储、检索 API 调用和生成模型 token。在生产环境中，输入 token 在成本中占主导地位，因为每个提示词都会注入多个段落。团队正在评估随着使用量增长的进一步优化措施，包括对提示词中稳定部分使用提示词缓存，以及对非交互式工作负载使用批量推理。

成果

在生产环境上线约头两个月，IskayPet 已经看到：

  • 更快的答案 – 查找运营答案的时间从 3–5 分钟降至约 7 秒。
  • 更高的生产力 – 搜索流程和政策的时间减少了约 95%。
  • 规模 – 该解决方案预计每月在所有业务领域和国家处理约 100,000 次查询。

结论

IskayPet 在 Amazon Bedrock Managed Knowledge Bases 上构建了一个生产级企业知识助手，服务于三个国家、四种语言和多个业务领域，且无需运行任何 RAG 基础设施。原生 SharePoint 连接器复用了他们现有的存储库。为每个助手配备专属知识库，使他们获得了清晰的多国家设计，每个领域都实现端到端隔离。托管解析、嵌入和重排序使运维工作量和成本都保持在较低水平。使用 Kiro 和 Claude Haiku 4.5 构建前端和 AWS 架构，让一个小团队能够快速投入生产。

如果您正面临类似的知识检索挑战，可以从 AWS Free Tier 开始，并在 Amazon Bedrock 控制台上构建您的第一个知识库。如需深入了解，请参阅以下资源，并针对您自己的文档试用 SharePoint 连接器和文档级访问控制。

如需了解更多信息，请参阅 Amazon Bedrock Managed Knowledge Base 和 使用 Amazon Bedrock 评估评估 RAG 数据源的性能.

关于作者